ICCV 2025 | 告别黑暗中的“盲视”：Dark-ISP让RAW图像在微光检测中大放异彩

主要观点总结

本文介绍了复旦大学研究者们针对低光照条件下的目标检测问题，提出了一种全新的图像处理范式——Dark-ISP。该方法能够直接处理最原始的Bayer RAW数据，并以最终的检测效果为优化目标，实现RAW到RGB的转换过程的智能化和自适应。在多个低光检测数据集上，Dark-ISP实现了对现有方法的全面超越。

关键观点总结

关键观点1: 研究背景

低光照条件对目标检测算法构成了巨大挑战，主流解决思路分为基于RGB图像的方法和基于RAW图像的方法，但都存在一些问题。

关键观点2: Dark-ISP框架介绍

Dark-ISP是一个轻量级、可微分的图像信号处理（ISP）插件，能够无缝地嵌入到任何检测器的前端，将整个系统从RAW输入到检测框输出的过程完全打通，实现端到端的联合优化。

关键观点3: 核心创新点

Dark-ISP将传统的ISP流程解构为可微分的、自适应的线性和非线性模块，并引入Self-Boost机制促进模块间协作。这种结构使得图像处理与高级视觉任务（检测）的目标对齐，提升了模型在低光照条件下的性能。

关键观点4: 实验结果

Dark-ISP在多个基准上的性能表现出色，取得了当前最先进的（SOTA）结果。可视化结果显示，Dark-ISP处理后的图像不仅视觉上更清晰、对比度更自然，而且减少了漏检和误检。

关键观点5: 总结与贡献

本文为低光目标检测任务提供了一个优雅、高效且有效的解决方案——Dark-ISP，其核心贡献在于提出了一个轻量级、端到端可训练的ISP框架，该框架具有广泛的应用潜力，特别是在自动驾驶、安防监控、机器人等领域。